文摘

减少风力发电的成本需要合理的风电场运行和维护策略,然后开发这些策略,预测未来24小时的风速是必要的。然而,现有的预测工作主要是限于5小时。这项工作发达地区风电场的日预测方法根据真实数据的监控和数据采集(SCADA)系统的风电场从江西省。利用变分方法模式分解(VMD)提取风特点,然后,特点是非线性自回归神经网络(Narnet)和长期短期记忆网络(LSTM)预测;VMD-Narnet和VMD-LSTM的预测结果与实际风速。比较结果表明,与LSTM相比,Narnet提高精度61.90%在24小时风速预测,预测的时间范围是提高了6.8个小时。这项工作强烈支持开发风电场运行和维护策略并提供降低风力发电成本的基础。

1。介绍

风已经吸引了相当大的注意清洁、可再生能源。在过去的几十年中,风力发电的装机容量急剧增加,在未来将继续增加。随着全球风能理事会(GWEC)报道,全球风能产业增加了超过50千瓦的自2014年以来每年新增产能,预计到2023年每年55千瓦增加(1];然而,风力发电的价格高于来自燃煤电厂,而后者是电力供应的主要来源,由于价格原因。因此,如何实现更便宜的电力的风变得越来越突出。降低风力发电成本,有益的风电场运行和维护策略源于日风速预测是至关重要的。准确日风速预测减少风缩减,有效限电,进一步利用风能,然后在风力发电提供了有益的信息消费和减少维修时间,降低了发电的成本2]。因此,准确的日风速预报风力发电场尤其值得注意。

文献调查表明,一些研究提到的长期(超过24小时)预测风速、和这些研究的结果是通过长期预测划分成连续的短期预测(3,4];这类方法的短期预测。据报道,24小时之前预测的结果是最点电力公司(5]。田等人也支持,风速预测研究应该考虑到风电场的实际需求,他们开发了一个Elman-based预测系统(6]。然而,他们仍然没有提到每日风速预测。随后,研究者提出不同的可交付的方法在短期风速预测,已经证明,机器学习和深入学习算法是有效的预测方法(7,8]。汉等人研究了统计模型的应用效果和神经网络算法通过比较三种不同的小时风速预测的方法,结论是统计模型相比,神经网络具有优势治疗风速的非线性特征,验证了神经网络的有效性在风速预测问题。同时,神经网络的参数调整,考虑风的自相关分析预测的结果更准确(9,史等人的研究也证明相似的结论在风的自相关分析10]。此外,门口复发单元(格勒乌)(11,12)和长期短期记忆网络(LSTM)时间相关的被认为是完全在风速预测问题。李等人相比,安和格勒乌的性能模型的风速预测和表明,预测误差(平均绝对误差,MAE)安格勒乌低于同行的(13]。这证明该算法考虑到风的时间相关提高了预测的精度。特别是,刘等人表明,LSTM和变分模式分解(VMD)混合法可以准确预测风速(1小时内14]。

虽然自相关和神经网络的结合带来了更精确的风速预测,风速预测仍面临挑战在风的非线性特征。大多数研究人员认为信号分解算法进行预处理等特点。刘等人试图提高风速预测的准确性的智能算法合成方法两次(小波包分解和完整的集成经验模态分解),最准确的预测的结果有误差(平均绝对百分比误差,日军)的4.82%在1小时15),这项研究的结论强烈证明信号分解算法的有效性在风速预测。此外,张等人证实VMD提高风速预测的准确性由遗传反向传播神经网络的一步(16]。张等人也为VMD风速数据处理,小波分解、主成分分析和采用神经网络算法来预测风速(17]。信号分解和神经网络的结合考虑到风的时间相关根据这些研究是相当大的。此外,还有其他研究风速。田等人用混沌理论来描述风速沿时间轴的变化(18],他们观察到混沌吸引子在相空间重建,提出大型预测步骤将降低风速预测的准确性。元等人建议,风速不稳定的可预测的时间19),这意味着任何预测风速需要判断风速的可预测性。

此外,上面的不一致的数据集的预测研究是令人困惑。风速气象观测站点观测的数据是用来研究气象法律通常情况下,很难做出贡献特定的风力涡轮机。建议使用风速数据收集的监控和数据采集(SCADA)系统(而不是20.),一致的采样间隔,使访问更加容易,更不可缺少的风电场运营问题比气象观测站的数据。

风力发电场的降低成本的要求,这项工作提出了一个混合模型VMD和非线性自回归神经网络(Narnet)周日风速预测和比较了预测VMD-Narnet VMD-LSTM的对应。具体,分解层的VMD决心通过观察中央频率和相邻的中心频率的比值固有模态函数(IMF)分量,我们VMD方法提取IMF申请处理的非平稳和非线性特征。作为国际货币基金组织(IMF)组件的输入Narnet LSTM,我们预测风速提前24小时,然后比较两个模型的预测结果,分析了预测步长Narnet的24小时内,美和日军评估预测计算结果,完成每日的风速预测任务。

在细节,我们工作的主要贡献如下:(1)系统框架,每日风速预测提出了基于SCADA数据,确保每个风力涡轮机有其风速预测和目标每个风力涡轮机的操作和维护。(2)小说的感应VMD混合模型结合,Narnet,样本熵为每个风力涡轮机在农场。它改善了中期风速预测的准确性,将提供一个新的判断源的操作和维护涡轮机。(3)验证时间变量的神经网络可以更好地预测风速、和Narnet模型的预测精度高于61.9% LSTM在同样的输入。

2。混合风速预测模型

2.1。变分模态分解

虽然经验模态分解(EMD)的影响是广泛的,信号分解过程仍然缺乏数学理论来解释,这是VMD的优点。信号分解为VMD的变分约束模型,然后引入拉格朗日乘子变换nonconstrained变分问题的约束模型。在这项工作中,我们组{uk}作为国际货币基金组织(IMF)的风速数据,{ωk}为国际货币基金组织(IMF)的中心频率,k国际货币基金组织(IMF)组件的数量。

风速的无约束变分问题分解是定义如下21]: 与n迭代,{uk},{ωk}被计算成

在方程(1)和(2),l()是nonconstrained变分问题; 介绍了拉格朗日乘数;α是引入惩罚因子; 狄拉克函数; 是一个描述复杂的旋转相量信号时间; 是风速的观测信号; , ,和 的傅里叶变换 , ,和 ,分别;和“ ”表示卷积操作。VMD需要指定数量k首先的首先,然后每个IMF的单边光谱通过希尔伯特变换和决定每个国际货币基金组织(IMF)的“基带频谱指数混合调到相应的中心频率估计;最终,估计带宽平方准则得到的梯度(21]。的k价值可以确定通过结合中央频率观察法和相邻的频率比中心(22]。当中央频率(ωk每个国际货币基金组织(IMF)组件保持稳定在不同的)k值,这表明没有overdecomposition原始风速数据。当相邻中心的频率比率大于90%,这表明原始风速数据overdecomposed,还有错误的组件从overdecomposition在IMF获得组件。具体而言,建议国际货币基金组织的分解是稳定的,如果中央的振幅频率小于100相同的国际货币基金组织(IMF)在不同k,然后,风速信号的分解完成,如果所有的货币是稳定的。例如,如果所有货币都稳定的时候k不小于18岁时完成信号的分解k不小于18岁。此外,它是必要的k大于18分解信号,计算的中心频率比率不同的货币,和分解是过度如果相邻的货币的中心频率大于90%相同k像19;因此,k是18岁。

2.2。非线性自回归神经网络

Narnet是浅人工神经网络考虑时间延迟,这有效地确定国际货币基金组织(IMF)的非线性模式组件的风速。另外,风速的自相关性质在时间轴中考虑时滞变量的计算(23]。在这项工作中,我们采用Levenberg-Marquardt Narnet模型的反向传播算法。让y是IMF分量值的实际风速、和Narnet网络神经元输入函数表达是由以下方程: 在哪里d时滞是数字,ytIMF分量值实测风速的时刻吗t, 是国际货币基金组织预测网络的组件值在时刻风速t, 是隐藏层重量,b是偏见。神经元激活函数选择双曲正切函数: 在哪里z神经元的输入函数值和吗一个是神经元的激活函数。输出层神经元的激活函数是线性传递函数:

在方程(5),f线性传递函数和吗一个的值是神经元激活函数。国际货币基金组织(IMF)组件的多步预测风速得到的迭代 Narnet模型,和风速的IMF分量的线性叠加的结果预测。Narnet网络的拓扑结构模型通过方程(3)- (5),如图1。


图1
Narnet模型的拓扑结构。
2.3。长期短期记忆网络

LSTM是一个变体递归神经网络模型,其深层网络结构可以学习国际货币基金组织(IMF)组件的非线性模型的风速、和阈值神经元结构使LSTM时滞信息传输能力(24),它可以处理风速的时间依赖关系。这里,LSTM模型采用亚当的反向传播算法。

让 是IMF分量值电流输入风速, 电流是IMF分量值预测风速、和ct神经元的阈值状态。

LSTM网络的神经元传递函数选择双曲正切函数(见方程(4)),和阈值状态传递函数是乙状结肠函数(25]。

的多步预测价值风速获得了国际货币基金组织的组成部分 迭代的IMF分量LSTM模型,线性叠加的IMF分量是风速的预测价值。网络拓扑结构如图的构造模型2。


图2
LSTM模型的拓扑结构。

在图2,yt是国际货币基金组织(IMF)组件的风速值t, 是国际货币基金组织(IMF)组件当前风速预测的价值,zf是忘记门的输入(见方程(3)),ft是忘记门状态的时刻吗t,z我是输入通道输入,zc是当前单元状态输入, 是输入门状态t,zo是输出门的输入,ot是输出门状态t,ct是单位的状态,(*,*)代表了矢量拼接操作, 代表了向量乘法的元素,σ是乙状结肠函数和茶色h是双曲正切函数。

2.4。评价指标

美和日军利用定量评价指标的预测风速预测的混合智能算法。

集 观察到的风速值和 作为模型预测风速值。美和日军计算如下:

在方程(6)和(7),n预测步长和吗t是当前预测步长。

3所示。案例研究

根据上述内容,我们确定了k国际货币基金组织(IMF)和分解VMD首先收集到的风速数据;然后,我们把国际货币基金组织(IMF)组件(Narnet和LSTM)的预测模型,分别获得每个国际货币基金组织的估算值。此外,实现24小时提前预测,我们认为一个提前的预测作为一种新的训练模型的输入,得到接下来的一步预测。迭代训练模型的预测最终证明了24-ahead预测。

这里的风速数据记录由SCADA系统的风电场在江西省,和数据集从2018年7月到7月22日,2019年,记录每10分钟。数据包含54555个测量值,有缺失和重复。首先,删除重复值,387天的风速数据分为日集根据自然的一天。然后,不到24小时的昼夜设置被删除。最终,我们获得了342天的风速。为了避免不合逻辑的问题,也就是说,使用后风速的数据预测过去的风速数据,预测风速的目标是在这项研究中(342年最后一天nd天)。

通过变分模态分解策略描述之前(见方程(1)),变分模态分解执行风速数据天1到341。预设数量kIMF分量的风速数据是由中央频率观测方法结合的频率比相邻的中心。国际货币基金组织的中心对应的频率不同k列在表格1。

表1
中心频率(ω k国际货币基金组织在不同的)k值。

表1表明,国际货币基金组织(IMF)组件的中心频率(ωk每个风速趋于稳定的)。毗邻中央频率比率每个风速的国际货币基金组织的计算,这是发现,当有国际货币基金组织(IMF)组件(IMF国际货币基金组织(IMF) 19日18时,20日和IMF 21)与一个中心频率比率大于90%,有错误的组件的IMF分量分解风速、风速和IMF的组成部分k还不到19岁。因此,国际货币基金组织(IMF)风速组件与不同频率的数量是18岁。

因此,风由18层分解,获得18个国际货币基金组织(IMF)组件。在这里,我们把国际货币基金组织(IMF)组件Narnet和LSTM模型,分别和每个组件是独立的预测模型。具体地说,第一个310天的国际货币基金组织(IMF)组件(44784分)作为火车上面两种人工智能算法,以及311 - 341天的这些组件(4320点)作为验证这些模型组;然后,342年nd组件是观测值的测试集。实现风力预测144步(24小时),预测的值将在模型中输入第一次预测,144值迭代计算。最终,国际货币基金组织预测的线性叠加的组件是342年的风能预测结果nd的一天。神经网络的不稳定,整个迭代过程提到需要重复10次,取平均值。计算结果呈现在图3。


图3
的意思是十预测的结果。

图3礼物,在点,LSTM和Narnet预测风精确,点A后,LSTM模型的预测风速值远离观测值,并预测和观察值之间没有重叠。在B点后,Narnet的价值偏离观测值;不过,预测趋势与实际的趋势是一致的。定量评估Narnet和LSTM模型的预测精度,美和日军在24小时计算,分别。计算结果列在表中2。

表2
模型预测结果的评价。

表2列表,美和日军Narnet 21.83%和1.1218,和同行LSTM 3.9440和83.73%,也就是说,Narnet低于2.822和61.90%,分别。换句话说,美和日军LSTM预测的值高于各自50%和3.000这Narnet模型的风速预测结果比LSTMs更准确。分析和比较两个模型的精度变化的预测与步长进一步,我们计算之间的绝对误差预报值和观测值,结果显示在图4。


图4
模型预测结果的误差。

提出了图41.09777),点一个(31日,LSTM模型的误差超过1 m / s第一次,然后,错误了,这意味着LSTM模型预测风速在接受31步骤(约5.2小时)。相比之下,72年Narnet模型的预测是可以接受的步骤(B点(72−1.0951)),为Narnet预测的误差小于1 m / s在72步(约12小时)。因此,风速在同一天,预测时间范围LSTM模型的风速是41步(约6.8小时)比Narnet窄。计算结果表明,预测的时间范围Narnet是更广泛的比LSTM;然而,72步后的预测是不可接受的。为提高预测的准确性Narnet进一步在24小时内,预测步骤减少到72年的长度。风速滚动预测结果和预测误差如图5。


图5
由Narnet验证结果。

图5说明Narnet模型的预测步长后12小时降低到35比前一步骤(72步)风速预测和误差超过1 m / s在B点(107,1.36006)第一次。美和日军的值预测结果(0:00和12:00(72步)和12:00和24:00(72步))计算,分别。表中列出的结果3。

表3
由Narnet评价不同时期。

列在表3,梅Narnet价值模型的预测是0.2849的12小时后(00:00至12:00),也就是0.5368低于12小时(0.8217),与日军值为4.79%,低于6.32%后12小时(11.11%)。尽管预测时间范围的长度是相同的,训练有素的模型仍然给了不同的精度,这表明,中午前后之间的风力条件变量。我们通过样本熵特征变量,计算,并把观察到的风速数据在12小时(72步),结果是描绘在图6。


图6
滚动计算风速样本熵。

图6显示,及时观察到风速的复杂性急剧提高点(66,1.20397)后,样本熵的飞跃,表明66年后不同时间的复杂性th步骤(11:00-23:00)。不幸的是,由于缺乏相关的气象数据,这种飞跃的原因是未知的。然而,低精度的飞跃通过添加时间预测是有效的解决。事实上,这是其中一个原因,预测的准确性时更好的步骤短在大多数研究文献。具体来说,VMD-Narnet采用混合法计算日风速三次:1 h-12 h(72步)计算第一次12 h-18 h(36步骤)计算,第二次和18 h-24 h(36步骤)第三次风速计算。的三次滚动预测结果Narnet描绘在图模型7。


图7
Narnet模型的修正。

样本熵图所示的飞跃6表明,风速更复杂的法律所代表的时间轴和预测的可信度降低后样本熵跳跃。因此,我们修正后的预测点通过缩短预测步骤,并预测了。提出了图7,三次的结果预测接近观测风速。在这里,我们计算了美和日军值为0.3476和6.31%,相比他们一次性144步的预测;同行的三次下降了0.7742和15.52%,分别。预测表明,该修正是有效的。

4所示。结论

在这项工作中,我们提出了一个昼夜风速预测模型,为风电场提供基础操作和维护策略,从而实现降低风力发电成本的目标。混合变分模态分解模型和非线性自回归网络(VMD-Narnet)和被日军美和评估。VMD-Narnet有优越的性能比VMD-LSTM风速预测问题。我们比较该方法与混合变分模型模态分解和长期和短期记忆网络(VMD-LSTM)的值,结果表明,美和日军VMD-Narnet混合方法减少了61.90%和2.8222。风速复杂性衡量样本熵的改变随着时间的推移,和它的跳跃导致不准确的预测结果。因此,VMD-Narnet的预测步长是72步前12小时,34个步骤在过去12小时。然后,每天准确的风速预测结果VMD-Narnet三次预测。

在未来的工作,我们将努力改进Narnet模型通过深化拓扑层的数量,进一步提高24小时风速的预测精度。VMD-Narnet也被证明是有效的在24小时的风速预测;然而,样本熵的气象原因的飞跃没有探索。我们将结合风电场的实际记录探索这种飞跃,提高模型根据他们。此外,操作和维护策略的预测之前将生成并应用于实际风电场风力发电成本下降。

数据可用性

风速的数据用于支持这项工作目前正在禁运的结果在研究成果商业化。这项工作的数据请求将被视为由通讯作者在本文的发表之后的18个月。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号51965034),兰州城市创新创业项目(没有。2018 - rc - 25),重庆特殊(没有基础科学和前沿技术研究。CSTC2018jcyjAX0414)。作者要感谢慷慨的帮助学校机电工程与自动化学院。